[发明专利]一种启发式粗粒度并行网格任务调度方法

说明书

技术领域

本发明涉及网格计算领域，特别是涉及一种启发式粗粒度并行网格任务调度方法。

背景技术

随着网络技术的发展，人们工作需要的资源越来越多，并且复杂多样，如何充分地利用资源是我们需要亟待研究的问题，网格就是充分利用资源的一种技术。

网格是继万维网之后出现的一种新型的网络计算平台，它为用户提供了一种全面共享包括网页在内的各种资源的基础设施。而计算网格是目前研究最多和实践性最强的一种网格，它主要是针对前沿科学研究和大型行业应用，可以整合和共享地理上分布的计算资源。作为一种为前沿科学研究、大型应用而设计的技术，计算网格能够很好的支持高性能需求和分布特性。网格强大的计算能力是通过网格上任务的运行性能来体现。但是由于网格环境的动态性、分布性以及异构性等特点[1]，网格任务调度面临着巨大的挑战。

图1是网格任务调度模型。用户提交待调度任务序列给任务提交者，任务提交者中包含任务-资源映射机制，通过这个机制完成任务-资源的匹配，任务-资源映射机制中包含任务管理机制和资源信息管理机制，它们分别提供了任务和资源的描述信息，任务-资源匹配完成后，通过任务提交和传输控制机制将任务传输给远程的节点，任务提交和传输控制机制中的GRAM(Globus Resource Allocation Manager)负责网格资源的分配管理，而GASS(Globus Access to Secondary Storage)负责将调度的结果返回给用户。远程节点在接收任务提交和传输控制机制提交的任务序列前，要用Globus GateKeeper进行相应的认证，若认证通过，远程节点接受该任务序列，并使用Globus任务管理者在本节点上完成任务的调度；若果认证未通过，提交的任务和未通过的信息会传递给任务提交和传输控制机制，任务提交和传输控制机制会重新查找新的远程节点提交任务。任务调度完成后，通过GASS将此次任务调度的结果返回给任务提交者。

任务和资源的匹配是调度算法必须完成的。针对某一计算子任务，从网格系统中发现满足该任务执行条件的可用资源集，满足该任务执行条件的可用资源可能不止一个，同样是满足条件的资源，但是该任务在这些资源上执行所获得的性能、执行代价是不一样的。任务调度首先会根据任务的需求，选择满足条件的资源，然后从满足条件的资源中根据选择策略和定义的性能指标选择最适的资源分配给该任务。任务获得满足条件的资源后，可以在资源上执行，并且执行的过程处在资源本地的任务管理机制的监管下，任务执行完毕后把占用的计算资源归还给网格管理机构，网格任务管理模块把任务执行的结果和相关的信息告诉给任务提交者，从而实现计算网格共享地理上分布的资源协同完成某一任务的目标。

网格任务调度是一种NP-hard问题。近年来研究表明，对于此类NP-hard问题可能不存在既完整严格又不太慢的求解算法，因此，目前求解此类问题的方法多为近似或启发式算法。这些算法本质上可以分为两类：随机算法和确定性算法。遗传算法、模拟退火算法[2][3]、粒子群算法[4]、粗粒度并行遗传算法[5]等都属于随机算法，这类算法的本质是设计一种高效的搜索算法，具有搜索整个解空间而不至于陷于局部最优的能力。梯度下降法、分支限界法[6]等属于确定性算法，其关键在于确定一种规则，使得在允许的时间范围内求解问题的近似最优解。确定性算法与随机算法相比较，其搜索速度快、精确度高，但是普适性不强，且易陷入局部极小点；随机算法具有全局搜索的优点，且适应面广，但是缺乏有效的局部搜索机制，且收敛速度慢。

分析上述两种算法的优缺点可知，确定性算法的普适性不强，不宜应用在网格任务调度中，而随机算法缺乏有效的局部搜索机制。

发明内容

本发明主要解决的技术问题是提供一种启发式粗粒度并行网格任务调度方法，能够提供一种新的多点交叉方法，并采用精英策略保持种群最优解的递增性；在变异阶段采用采用一种基于任务迁移的定向变异方法，防止种群的退化，同时引进统计学中“移动平均”的原理，预测种群进化若干代后适应度值的变化趋势。提出的方法性能高，且计算能力和收敛速度优于传统随机算法。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种启发式粗粒度并行网格任务调度方法，包括以下步骤：

步骤1：任务提交者输入待调度任务集合、可用的计算资源集合、任务在计算资源上的执行时间集合、最大迭代次数、阈值δ和熵值ε；

步骤2：任务调度者将任务分配给资源执行的调度问题表示在优化目标、约束条件下成标准的最小值求解问题；